UTS Ekonomi Manajerial

Nama : Endang Satriani Siregar

NIM : 207019012
Matkul : Sistem Informasi Manajemen ( Paralel)
Tanggal : 121 November 2020

1. Sebuah perusahaan pemegang merk tertentu telah mengestimasi hubungan output dengan
permintaan sbb : P = 200 - 0,00003Q; dengan biaya produksi sbb : TC = 7.812.500 + 100Q
+ 0,00002Q2 P = 170 - 0,005Q; dengan biaya produksi sbb : TC = 27000 + 32Q + 0,003Q2

a. Tentukan besarnya Q sehingga Laba maksimum dan berapa besarnya laba maksimum
tersebut.
P = 200 -0,00003Q
TC = 7.812.500 +100 Q +0,00002Q2
TR = P x Q
= 200 -0.00003Q 2
MR=TR 1
MR = 200 – 0.00006 Q

TC = 7.812.500 +100 Q +0.00002Q2

MC = TC 1
MC = 100+ 0.00004Q

= TR – TC
= (200 – 0,00003 Q) * Q -7.8125.500 + 100 Q + 0,00002Q2
= -0,00005 Q2 + 100 Q– 7.8125.500

MR = MC

200 -0,00006 Q = 100 – 0,0000 4 Q

100 = 0,0001 Q

Q= 1.000.000
P = 200 - 0,00006Q
= 200 – 0,00006 (1.000.000)

= 200 – 60
= 140

π = 100 Q – 0.00005Q2 - 7.812.500

= 100(1.000.000) – 0.00005 ( 1.000.000) 2 - 7.812.500

= 100.000.000 – 50.000.000 – 7.812.500

= 42. 187.500 (LABA MAKSIMUM )

P = 170 – 0.005 Q

TC = 27.000 + 32 Q + 0,003 Q2
TR = P x Q
=170 Q – 0.005Q2
MR = TR 1
MR = 170- 0,01 Q

π= TR – TC

= (170 – 0,005 Q )*Q –(27.000 + 32 Q +0.003 Q 2)

= 170 Q -32 Q -0,005 Q2 -0,003Q2 -27.000

= 138 Q – 0.008 Q2 – 27.000

MR =MC
170 – 0.01 Q = 32 + 0.006 Q

170- 32 = 0.006 Q + 0.01 Q

138 = 0.016 Q
Q = 8.625

π = 138 Q – 0.008 Q2 – 27.000

= 138 (8.625 ) – 0.008 (8.625 ) 2 -27.000
 = 1.190.250 -595.125 – 27.000
= 568.125 (laba maksimum )

b. Asumsikan fungsi Longrun Total Cost (LTC) = fungsi TC di atas, tentukan fungsi LMC dan
LAC dan carilah Q* pada saat MES (minimum efficient scale)LTC = TC (fungsi TC di atas)
LMC = LTC/Q
MC = 100+0,00004Q
AC = TC/Q
MC = AC
100+0,00004Q = 7.812.500-1+100+0,00002Q
7.812.500-1 Q = - 0,00002Q
7.812.500 = 0,00002Q2
Q2=√(7.812.500/0,00002
Mes Q = 625.000
c. Kesimpulan ini menyatakan bahwasanya menggunakan multiplant karena laba maksimum
multiplant > laba maksimum single plan, sehingga dapat dikatakan Skala Ekonomis.
Meningkatnya laba maksimum multiplant, akrena VC menurun sebesar 625.000 setelah
menggunakan 2 pabrik, walaupun FC meningkat pada saat menggunakan 2 pabrik.
d. Berdasarkan (a) dan (b) seandainya sdr. seorang manajer yang visioner, apakah yang akan sdr.
rekomendasikan kepada dewan komisaris, apakah tetap melakukan sentralisasi (satu pabrik)
atau melakukan desentralisasi (multi pabrik). Buktikan analisis sdr! MC = 100 + 0,00004 Q
MC = 100 + 0,00004 (625.000)
MC pada Mes = 100 + 25
MC pada Mes = 125
MR = MC
200- 0,00006 Q = 125
75 = 0,00006 Q
Q = 75 / 0,00006
Q = 1.250.000
Optimal Pabrik = 1.250.000/625.000
Optimal Pabrik = 2
P = 200- 0,00003 Q
P = 200 – 0,00003 (1.250.000)
P = 200 – 37,5
P = 162,5
∏= TR – TC
 ∏ = P*Q – 2 TC
= 200 – 0,00003 (1.250.000) – 2 (7.812.500+100Q+0,00002Q2)
= (200-37,5)*(1.250.000) – 2(7.812.500+100 (625.000) +0,00002 (625.000)2)
= 162,5 – 2 (7.812.500+62.500.000+7.812.500)
= 203.125.000 – 156.250.000
∏ maksimal = 46.875.000

2. PT.ABC adalah perusahaan manufaktur beroperasi dengan fungsi produksi Q = 10K0,5L 0,7
(Q = output produksi; K = modal dan L = tenaga kerja). Diminta sebagai berikut:
a. Estimasilah Q jika K = 12, L = 32.
Q = 10 (12 ) 0,5 (32 ) 0,7
= 10 (3,46 ) (11,31 )
= 391.326
b. Carilah nilai elastisitas output terhadap K (εK) dan L (εL). Seberapa besar output meningkat
dengan meningkatkan masing masing input sebesar 10 persen pada saat bersamaan?
Q = 10 k 2 L 0.7
EK = α = 0.5 , input 10 % , kenaikan sebesar 5 %
El = α = 0.7 input 10 % , kenaikan sebesar 7 %
c. Tentukan return to scale dalam produksi. Seberapa besar output perusahaan akan meningkat
jika perusahaan meningkatkan kuantitas semua input yang digunakan sebesar 10 persen pada
saat yang bersamaan?
(0,5 + 0.7 ) x 10 % = 12 %
d. Q = 10K0,5L 0,7 w= 1.000.000 r =10 Q= 24.000.000

MPL/ MPK= W/R = 1.000.000/ 10

MPK= 10 K 0,5-1 L0,7

MPK =10 K-0,5 L0,7

MPL= 10 K 0,5 L 0,7-1

MPL = 10 K 0,5 L -0,3

3. Terlampir data kuartalan permintaan barang X:dari sebuah perusahaan. Ramalkan permintaan
kuartal 1 sampai dengan kuartal 4 tahun 2020 berdasarkan metode: a) Tren linier dengan
simple regression b) Variasi musim.
 Data Forecasting Kuartalan Periode 2012 – 2019:

KUARTAL
PERIODE
I II III IV
2012 14.57 17.13 15.47 12.75
2013 13.79 14.44 14.47 11.65
2014 15.14 15.12 14.79 13.08
2015 15.24 15.14 14.84 16.29
2016 16.40 16.74 16.80 16.20
2017 16.20 16.09 18.23 20.99
2018 24.21 25.02 22.62 21.89
2019 21.31 20.11 18.49 16.72

1. Estimasikan tren linear dari data tersebut dan gunakan untuk meramalkan pada
setiap kuartal di tahun 2020?

Model regresi linier akan mengambil bentuk:

St = S0 + bt

Tabel 1 Model Regresi Linier

Dependent Variable: Y
Method: Least Squares
Date: 11/21/20 Time: 14:16
Sample: 1 32
Included observations: 32

Variable Coefficient Std. Error t-Statistic Prob.

C 12.67480 0.829496 15.28012 0.0000

X 0.258213 0.043871 5.885749 0.0000

R-squared 0.535906 Mean dependent var 16.93531

Adjusted R-squared 0.520436 S.D. dependent var 3.308836
S.E. of regression 2.291387 Akaike info criterion 4.556654
Sum squared resid 157.5137 Schwarz criterion 4.648262
Log likelihood -70.90646 Hannan-Quinn criter. 4.587019
F-statistic 34.64204 Durbin-Watson stat 0.550777
Prob(F-statistic) 0.000002

Sumber : Hasil Pengolahan EViews7

St = 12,67480 + 0,258213t R2 = 0,5359

(5,885)
Dari tabel 1 di atas menunjukkan bahwa permintaan barang pada akhir kuartal di tahun 2000
(yakni S0) diperkirakan sebanyak 12,67480 dan meningkat dengan kecepakatan rata-rata
0,258213 barang setiap kuartal. Variabel tren signifikan secara statistik lebih baik daripada
tingkat 1 persen (diperoleh dari nilai 5,885 untuk signifikan t yang diberikan dalam kurung di
bawah koefisien kemiringan yang diestimasi) dan “menjelaskan” 53,59 persen dalam variasi
kuartalan dari permintaan barang (dari R2 = 0,53,59). Jadi, berdasarkan tren yang lalu, maka kita
bisa meramalkan permintaan barang sebagai berikut:
Tabel 2 Peramalan Permintaan Barang
Tahun St t St^
2012,1 14.57 1 12.93
2012,2 17.13 2 13.19
2012,3 15.47 3 13.45
2012,4 12.75 4 13.71
2013,1 13.79 5 13.97
2013,2 14.44 6 14.22
2013,3 14.47 7 14.48
2013,4 11.65 8 14.74
2014,1 15.14 9 15.00
2014,2 15.12 10 15.26
2014,3 14.79 11 15.52
2014,4 13.08 12 15.77
2015,1 15.24 13 16.03
2015,2 15.14 14 16.29
2015,3 14.84 15 16.55
2015,4 16.29 16 16.81
2016,1 16.40 17 17.06
2016,2 16.74 18 17.32
2016,3 16.80 19 17.58
2016,4 16.20 20 17.84
2017,1 16.20 21 18.10
2017,2 16.09 22 18.36
2017,3 18.23 23 18.61
2017,4 20.99 24 18.87
2018,1 24.21 25 19.13
2018,2 25.02 26 19.39
2018,3 22.62 27 19.65
2018,4 21.89 28 19.90
2019,1 21.31 29 20.16
2019,2 20.11 30 20.42
2019,3 18.49 31 20.68
2019,4 16.72 32 20.94
2020,1 - 33 21.20
2020,2 - 34 21.45
2020,3 - 35 21.71
2020,4 - 36 21.97
S33 = 12,67480 + 0,258213 (33) = 21,20 kuartal pertama 2020
S34 = 12,67480 + 0,258213 (34) = 21,45 kuartal kedua 2020
S35 = 12,67480 + 0,258213 (35) = 21,71 kuartal ketiga 2020
S36 = 12,67480 + 0,258213 (36) = 21,97 kuartal keempat 2020
2. Estimasikan tren log-linear dalam data dan gunakan untuk meramalkan penjualan
bensin di Amerika Serikat untuk setiap kuartal di tahun 1999?
Berdasarkan ramalan ini ditunjukkan oleh titik-titik pada bagian yang putus-putus dari garis
tren yang diperpanjang sampai tahun 2020, pada gambar 1 (dengan mengabaikan sementara titik-
titik yang dilingkari di atas dan di bawah garis). Perlu dicatat bahwa nilai-nilai permintaan
barang yang diramalkan, tanpa membaca garis tren yang diperpanjang, hanya
mempertimbangkan faktor tren jangka panjang di dalam data. Dengan mengabaikan sama sekali
variasi musiman yang sangat signifikan dalam data, nilai-nilai yang diramalkan tentunya akan
jauh melenceng dari nilainya yang aktual di masa mendatang. Tetapi sebelumnya, kita akan
memperlihatkan bagaimana mencocokkan suatu tren laju pertumbuhan yang konstan (dalam
persen) pada data yang sama.
Sementara asumsi tentang suatu jumlah perubahan absolut yang konstan setiap periode
waktu (dalam hal ini kuartal) mungkin tepat dalam banyak kasus, namun pada situasi-situasi di
mana perubahan suatu persentase yang konstan adalah lebih tepat (artinya, lebih cocok dengan
data dan memberikan ramalan yang lebih baik). Model laju pertumbuhan dengan persentase
konstan dapat dirumuskan sebagai:
St = S0 (1 + g)t

Di mana g adalah laju pertumbuhan dengan persentase konstan yang diestimasi.

Untuk mengetahu g dari persamaan di atas, pertama-tama kita harus mentransformasikan
data deret waktu ke dalam logaritma naturalnya dan kemudian mengadakan regresi pada data
yang telah ditransformasikan tersebut. Persamaaan regresi yang ditransformasikan itu linier
dalam logaritma dan dirumuskan dengan:
ln St = ln S0 + t ln (1 + g)

Tabel 3 Permintaan Barang

Tahun St t St^ st/st^
2012,1 14.57 1 12.93 1.127
2013,1 13.79 5 13.97 0.987
2014,1 15.14 9 15.00 1.009
2015,1 15.24 13 16.03 0.951
2016,1 16.40 17 17.06 0.961
2017,1 16.20 21 18.10 0.895
2018,1 24.21 25 19.13 1.266
2019,1 21.31 29 20.16 1.057
rata2= 1.032
2012,2 17.13 2 13.19 1.299
2013,2 14.44 6 14.22 1.015
2014,2 15.12 10 15.26 0.991
2015,2 15.14 14 16.29 0.929
2016,2 16.74 18 17.32 0.967
2017,2 16.09 22 18.36 0.876
 2018,2 25.02 26 19.39 1.290
2019,2 20.11 30 20.42 0.985
rata2= 1.044
2012,3 15.47 3 13.45 1.150
2013,3 14.47 7 14.48 0.999
2014,3 14.79 11 15.52 0.953
2015,3 14.84 15 16.55 0.897
2016,3 16.80 19 17.58 0.956
2017,3 18.23 23 18.61 0.980
2018,3 22.62 27 19.65 1.151
2019,3 18.49 31 20.68 0.894
rata2= 0.997
2012,4 12.75 4 13.71 0.930
2013,4 11.65 8 14.74 0.790
2014,4 13.08 12 15.77 0.829
2015,4 16.29 16 16.81 0.969
2016,4 16.20 20 17.84 0.908
2017,4 20.99 24 18.87 1.112
2018,4 21.89 28 19.90 1.100
2019,4 16.72 32 20.94 0.798
rata2= 0.930

Tahun St t St^ st/st^

2012,1 14.57 1 12.93 1.127
2012,2 17.13 2 13.19 1.299
2012,3 15.47 3 13.45 1.150
2012,4 12.75 4 13.71 0.930
2013,1 13.79 5 13.97 0.987
2013,2 14.44 6 14.22 1.015
2013,3 14.47 7 14.48 0.999
2013,4 11.65 8 14.74 0.790
2014,1 15.14 9 15.00 1.009
2014,2 15.12 10 15.26 0.991
2014,3 14.79 11 15.52 0.953
2014,4 13.08 12 15.77 0.829
2015,1 15.24 13 16.03 0.951
2015,2 15.14 14 16.29 0.929
2015,3 14.84 15 16.55 0.897
2015,4 16.29 16 16.81 0.969
2016,1 16.40 17 17.06 0.961
2016,2 16.74 18 17.32 0.967
 2016,3 16.80 19 17.58 0.956
2016,4 16.20 20 17.84 0.908
2017,1 16.20 21 18.10 0.895
2017,2 16.09 22 18.36 0.876
2017,3 18.23 23 18.61 0.980
2017,4 20.99 24 18.87 1.112
2018,1 24.21 25 19.13 1.266
2018,2 25.02 26 19.39 1.290
2018,3 22.62 27 19.65 1.151
2018,4 21.89 28 19.90 1.100
2019,1 21.31 29 20.16 1.057
2019,2 20.11 30 20.42 0.985
2019,3 18.49 31 20.68 0.894
2019,4 16.72 32 20.94 0.798
2020,1 21.20 1.032 21.88
2020,2 21.45 1.044 22.39
2020,3 21.71 0.997 21.64
2020,4 21.97 0.930 20.43

Gambar 1 Permintaan Barang Untuk Kuartal Pertama, Kedua, Ketiga dan Keempat
Tahun 2012 sampai 2020
30,00

25,00

20,00

15,00

10,00

5,00

0,00
0 5 10 15 20 25 30 35 40

Menggunakan persamaan regresi untuk data tentang penjualan bensin yang telah
ditransformasikan ke dalam logaritma, yaitu:

Tabel 4 Data Permintaan Barang Yang Telah di Transformasi ke Dalam Ln

Tahun St t ln St lnSt^ St^
2012,1 14.57 1 12.93 2.583 13.232
2012,2 17.13 2 13.19 2.597 13.430
2012,3 15.47 3 13.45 2.612 13.630
2012,4 12.75 4 13.71 2.627 13.833
2013,1 13.79 5 13.97 2.642 14.040
2013,2 14.44 6 14.22 2.657 14.249
2013,3 14.47 7 14.48 2.672 14.462
2013,4 11.65 8 14.74 2.686 14.677
2014,1 15.14 9 15.00 2.701 14.896
2014,2 15.12 10 15.26 2.716 15.119
2014,3 14.79 11 15.52 2.731 15.344
2014,4 13.08 12 15.77 2.746 15.573
2015,1 15.24 13 16.03 2.760 15.805
2015,2 15.14 14 16.29 2.775 16.041
2015,3 14.84 15 16.55 2.790 16.281
2015,4 16.29 16 16.81 2.805 16.523
2016,1 16.40 17 17.06 2.820 16.770
2016,2 16.74 18 17.32 2.834 17.020
2016,3 16.80 19 17.58 2.849 17.274
2016,4 16.20 20 17.84 2.864 17.532
2017,1 16.20 21 18.10 2.879 17.793
2017,2 16.09 22 18.36 2.894 18.059
2017,3 18.23 23 18.61 2.908 18.328
2017,4 20.99 24 18.87 2.923 18.602
2018,1 24.21 25 19.13 2.938 18.879
2018,2 25.02 26 19.39 2.953 19.161
2018,3 22.62 27 19.65 2.968 19.446
2018,4 21.89 28 19.90 2.982 19.737
2019,1 21.31 29 20.16 2.997 20.031
2019,2 20.11 30 20.42 3.012 20.330
2019,3 18.49 31 20.68 3.027 20.633
2019,4 16.72 32 20.94 3.042 20.941
2020,1 33 3.057 21.253
2020,2 34 3.071 21.570
2020,3 35 3.086 21.892
2020,4 36 3.101 22.219

Tabel 5 Model Regresi Linier Yang Telah di Transformasi ke Dalam Ln

Dependent Variable: Y
Method: Least Squares
Date: 11/21/20 Time: 15:32
Sample: 1 32
Included observations: 32

Variable Coefficient Std. Error t-Statistic Prob.

C 2.567851 0.045258 56.73826 0.0000

X 0.014808 0.002394 6.186557 0.0000
 R-squared 0.560591 Mean dependent var 2.812187
Adjusted R-squared 0.545944 S.D. dependent var 0.185534
S.E. of regression 0.125020 Akaike info criterion -1.260232
Sum squared resid 0.468897 Schwarz criterion -1.168623
Log likelihood 22.16371 Hannan-Quinn criter. -1.229866
F-statistic 38.27349 Durbin-Watson stat 0.725462
Prob(F-statistic) 0.000001

Sumber : Hasil Pengolahan EViews7

ln St = 2,567851 + 0,014t R2 = 0,5605

(6,186)

Dari tabel 5 dapat diketahui bahwa kecocokan dari persamaan ini santa mirip dengan
persamaan yang dijelaskan di awal. Karena parameter-parameter yang diperkirakan sekarang
didasarkan pada logaritma dari data, mereka harus dikonversikan ke dalam antilog-nya agar bisa
ditafsirkan ke dalam data aslinya. Antilog dari ln S 0 = 2,567851 adalah S0 = 13,04 (diperoleh
dengan hanya memasukkan nilai 2,567851 ke dalam kalkulator saku dan menekan kunci e x
untuk antilog), dan antilog dari ln (1 + g) = 0,005 memberikan (1 + g) = 1,014. Subsitusikan
nilai-nilai ini kembali ke dalam persamaan, yaitu:
St = 13,04 (1,014)t

Dimana S0 = 13,04 permintaan barang adalah estimasi penjualan bensin di Amerika Serikat
dalam kuartal ke empat tahun 2020 (ialah pada t = 0) dan estimasi laju pertumbuhan yang
diperkirakan adalah 1,014 atau persen 1,014%, tiap kuartal.
Untuk mengestimasikan penjualan dalam kuartal mana pun di masa yang akan datang kita
subsitusikan ke dalam persamaan nilai dari t untuk kuartal di mana kita mencoba meramalkan S
dan mengantikan dengan St, jadi:

S33 = 13,03 + (1,014)33 = 21,253 kuartal pertama 2020

S34 = 13,04 + (1,014)34 = 21,570 kuartal kedua 2020
S35 = 13,04 + (1,014)35 = 21,892 kuartal ketiga 2020
S36 = 13,04 + (1,014)36 = 22,219 kuartal keempat 2020

Ramalan-ramalan ini sama dengan yang diperoleh dengan menggunakan tren linier.

Seperti yang telah dilihat, nilai-nilai ramalan permintaan barang yang dibaca terpisah dari
garis tren yang diperpanjang dalam gambar 1 hanya mempertimbangkan faktor tren jangka
panjang dalam data. Namum data untuk tahun 2012 sampai 2019 menunjukkan variasi musiman
yang kuat, dengan penjualan pada kuartal tahun pertama secara konsisten berada di bawah nilai
tren jangka panjang yang terkait yaitu sebesar 1,031617. Sementara penjualan pada kuartal kedua
sebesar 1,044058, kuartal ketiga sebesar 0,997449 dan kuartal keempat sebesar 0,929716secara
konsisten berada di atas nilai-nilai tren. Dengan mempertimbangkan keterkaitan variasi
musiman, maka dapat dapat memperbaiki perkiraan permintaan barang secara signifikan. Ini
dapat dilakukan dengan menggunakan metode rasio tren dengan menggunakan variabel dummy.
 Nilai 1,031617 untuk kuartal pertama, untuk kuartal kedua sebesar 1,044058, dan
seterusnya) kita mendapatkan ramalan yang baru berikut ini berdasarkan tren linier dan
penyesuaian musiman, yaitu:

S33 = 21.253 (1,031617) = 21,924,96 kuartal pertama 2020

S34 = 21.570 (1,044058) = 22,520.33 kuartal kedua 2020
S35 = 21.892 (0,997449) = 21,836.15 kuartal ketiga 2020
S36 = 22.219 (0,929716) = 20,657.36 kuartal keempat 2020

Ramalan-ramalan ini diperlihatkan oleh titik-titik yang dilingkari dalam gambar 1. Perlu
dicatat bahwa dengan memasukkan penyesuaian musiman, nilai-nilai ramalan untuk permintaan
barang sama dengan pola musiman yang lalu dalam data deret waktu sepanjang linier yang
meningkat.
Hasil yang sama bisa diperoleh dengan memasukkan variabel dummy. Dengan mengambil
kuartal terakhir sebagai periode dasar dan menentukan variabel dummy D1 melalui deret waktu
dengan angka 1 dalam kuartal pertama setiap tahun dan nol untuk kuartal-kuartal yang lain, dan
D2 dengan angka 1 dalam kuartal kedua dan nol untuk kuartal-kuartal yang lain, dan D3 dengan
angka 1 untuk kuartal ketiga dan nol untuk kuartal-kuartal yang lain, kita memperoleh hasil-hasil
berikut dengan menjalankan regresi dari permintaan barang pada variabel-variabel pengganti
musiman dan tren waktu linier.
Tabel 6 Kalkulasi Penyesuaian Musiman Tren Peramalan Oleh Metode Rasio Terhadap
Tren
Tahun Perkiraan Aktual Aktual/Perkiraan
2012,1 12.93 14.57 1.126837
2013,1 13.97 13.79 0.987115
2014,1 15.00 15.14 1.009333
2015,1 16.03 15.24 0.950717
2016,1 17.06 16.40 0.961313
2017,1 18.10 16.20 0.895028
2018,1 19.13 24.21 1.265551
2019,1 20.16 21.31 1.057044
rata2= 1.031617
2012,2 13.19 17.13 1.298711
2013,2 14.22 14.44 1.015471
2014,2 15.26 15.12 0.990826
2015,2 16.29 15.14 0.929405
2016,2 17.32 16.74 0.966513
2017,2 18.36 16.09 0.876362
2018,2 19.39 25.02 1.290356
2019,2 20.42 20.11 0.984819
rata2= 1.044058
2012,3 13.45 15.47 1.150186
2013,3 14.48 14.47 0.999309
2014,3 15.52 14.79 0.952964
 2015,3 16.55 14.84 0.896677
2016,3 17.58 16.80 0.955631
2017,3 18.61 18.23 0.979581
2018,3 19.65 22.62 1.151145
2019,3 20.68 18.49 0.894101
rata2= 0.997449
2012,4 13.71 12.75 0.929978
2013,4 14.74 11.65 0.790366
2014,4 15.77 13.08 0.829423
2015,4 16.81 16.29 0.969066
2016,4 17.84 16.20 0.908072
2017,4 18.87 20.99 1.112348
2018,4 19.90 21.89 1.100000
2019,4 20.94 16.72 0.798472
rata2= 0.929716

Tabel 7 Variabel Dummy

St t d1t d2t d3t St^
14.57 1 1 0 0 13.371149
17.13 2 0 1 0 13.737399
15.47 3 0 0 1 13.227398
12.75 4 0 0 0 12.459898
13.79 5 1 0 0 14.438677
14.44 6 0 1 0 14.804927
14.47 7 0 0 1 14.294926
11.65 8 0 0 0 13.527426
15.14 9 1 0 0 15.506205
15.12 10 0 1 0 15.872455
14.79 11 0 0 1 15.362454
13.08 12 0 0 0 14.594954
15.24 13 1 0 0 16.573733
15.14 14 0 1 0 16.939983
14.84 15 0 0 1 16.429982
16.29 16 0 0 0 15.662482
16.40 17 1 0 0 17.641261
16.74 18 0 1 0 18.007511
16.80 19 0 0 1 17.49751
16.20 20 0 0 0 16.73001
16.20 21 1 0 0 18.708789
16.09 22 0 1 0 19.075039
18.23 23 0 0 1 18.565038
20.99 24 0 0 0 17.797538
24.21 25 1 0 0 19.776317
25.02 26 0 1 0 20.142567
22.62 27 0 0 1 19.632566
21.89 28 0 0 0 18.865066
21.31 29 1 0 0 20.843845
20.11 30 0 1 0 21.210095
18.49 31 0 0 1 20.700094
16.72 32 0 0 0 19.932594
33 1 0 0 21.911373
34 0 1 0 22.277623
35 0 0 1 21.767622
36 0 0 0 21.000122

Tabel 8 Pengolahan Data Variabel Dummy

Dependent Variable: Y
Method: Least Squares
Date: 11/21/20 Time: 16:14
Sample: 1 32
Included observations: 32

Variable Coefficient Std. Error t-Statistic Prob.

C 11.39237 1.132407 10.06031 0.0000

t 0.266882 0.044079 6.054655 0.0000
D1t 1.711897 1.150281 1.488242 0.1483
D2t 1.811265 1.146051 1.580440 0.1257
D3t 1.034382 1.143505 0.904572 0.3737

R-squared 0.584528 Mean dependent var 16.93531

Adjusted R-squared 0.522976 S.D. dependent var 3.308836
S.E. of regression 2.285310 Akaike info criterion 4.633482
Sum squared resid 141.0114 Schwarz criterion 4.862503
Log likelihood -69.13571 Hannan-Quinn criter. 4.709396
 F-statistic 9.496570 Durbin-Watson stat 0.482100
Prob(F-statistic) 0.000063

Sumber : Hasil Pengolahan EViews7

Hanya 3 variabel dummy yang digunakan untuk empat musim, dengan konstanta dari regresi
mewakili yang keempat.

St = 11,392 + 1,711 1t + 1,811 2t + 1,034 3t + 0,266 t (R2 = 0,5229)

(1,488) (1,580) (0,904) (6,054)

Perlu dicatat bahwa koefisien-koefisien hasi estimasi untuk variabel dummy dan variabel
tren semuanya adalah signifikan secara statistik pada tingkat lebih dari 1 persen. Persamaan
menjelaskan 0,5229 atau 52,29% persen dari variabel dari variasi dalam penjualan bensin.
Dengan menggunakan persamaan di atas untuk meramalkan penjualan bensin pada tiap kuartal
tahun 2020, maka didapat yaitu:

S33 = 11,392 + = 1,711 + 0,266 (33) = 21.911373 kuartal pertama 2020

S34 = 11,392 + = 1,811 + 0,266 (34) = 22.277623 kuartal kedua 2020
S35 = 11,392 + = 1,034 + 0,266 (35) = 21.767622 kuartal ketiga 2020
S36 = 11,392 + 0,266 (36) = 21.000122 kuartal keempat 2020

3. Bentuk mana yang lebih cocok dengan data yang ada? Dan kenapa kita
mengharapkan kedua hasil ramalan kurang baik?
Nilai-nilai hasil ramalan ini sama seperti yang diperoleh melalui rasio tren. Jadi, dalam
kasus ini kedua metode ini merupakan alternatif yang baik untuk memasukkan variasi musiman
ke dalam peramalan. Jika polanya berubah secara drastis, ramalannya tentu akan meleset jauh.
Dalam hal ini lebih memungkinkan berikutnya memasukkan hal-hal di masa datang yang
diperhatikan dalam peramalan. Lagipula tidak mungkin mempertimbangkan kekuatan-kekuatan
siklis, tak teratur atau acak. Jadi, analisis deret waktu tidak dapat meramalkan titik balik sampai
hal itu terjadi. Meskipun ini tidak terlihat penting dalam data historis tentang penjualan bensin
dalam soal di atas, peristiwa ini bukannya situasi-situasi dalam kasus-kasus lain yang nyata.
Pada akhirnya, analisis deret waktu tidak mengkaji faktor-faktor yang menimbulkan terjadinya
fluktuasi deret waktu yang ditinjau. Dalam kejadian manapun analisis deret waktu yang
digunakan tersendiri, tetapi sangat berguna klau digabungkan dengan metode-metode peramalan
lain.